Generation of Lognormal Synthetic Lyman-$α$ Forest Spectra for $P_{1D}$ Analysis

Resumen Técnico: Generación de Espectros Sintéticos del Bosque Lyman-$\alpha$ con Distribución Lognormal para el Análisis de $P_{1D}$

Planteamiento del Problema
El espectro de potencia unidimensional ($P_{1D}$) del bosque Lyman-$\alpha$ (Ly$\alpha$) es una sonda crítica para la estructura a pequeña escala en el medio intergaláctico (IGM), ofreciendo sensibilidad a parámetros cosmológicos (p. ej., masas de neutrinos, naturaleza de la materia oscura) y procesos astrofísicos (p. ej., historia térmica del IGM). Sin embargo, la extracción de estos parámetros requiere una validación rigurosa frente a errores sistemáticos, incluyendo efectos instrumentales, incertidumbres en el ajuste del continuo y contaminantes astrofísicos. Aunque las simulaciones hidrodinámicas proporcionan realizaciones de alta fidelidad del IGM, son computacionalmente prohibitivas para generar los grandes conjuntos de espectros necesarios para una estimación robusta de errores y la validación de procesos en sondeos de alto volumen como el Dark Energy Spectroscopic Instrument (DESI). Los métodos previos de generación de mocks lognormales, aunque más rápidos, a menudo dependían de formas analíticas estáticas para el espectro de potencia Gaussiano subyacente, las cuales carecían de la flexibilidad necesaria para reproducir con precisión la forma dependiente de la escala y la evolución con el desplazamiento al rojo (redshift) del $P_{1D}$ observado a través del amplio espacio de parámetros de los sondeos modernos.

Metodología
Los autores presentan un marco de trabajo de mocks lognormales mejorado, diseñado para generar espectros sintéticos del bosque Ly$\alpha$ adaptados para el análisis de $P_{1D}$. El método se basa en el formalismo establecido por McDonald et al. (2006) y Karaçaylı et al. (2020), pero introduce dos innovaciones clave para mejorar la fidelidad:

1. Inversión de Correlación Gaussiana Dependiente del Redshift: A diferencia de enfoques anteriores que utilizaban una forma analítica fija para el espectro de potencia Gaussiano ($P_G$) de entrada, este método resuelve directamente la función de correlación Gaussiana ($\xi_G$) óptima en el espacio de configuración. Mediante el ajuste iterativo de $\xi_G$, de tal manera que la función de correlación de flujo resultante ($\xi_F$) —tras aplicar la secuencia completa de transformaciones lognormales— coincida con un $P_{1D}$ objetivo, los autores derivan un espectro de potencia Gaussiano $P_G(k, z)$ único y dependiente del redshift. Esta inversión se realiza punto a punto utilizando un resolvedor de mínimos cuadrados no lineales para minimizar los residuos entre las estadísticas del mock transformado y el modelo objetivo (específicamente las mediciones del DESI Early Data Release).
2. Ajuste del Flujo Medio Analítico: El marco optimiza por separado la evolución del flujo transmitido medio. Los autores adoptan un modelo de profundidad óptica efectiva ($\tau(z) = \tau_0(1+z)^\gamma$) y ajustan cuatro parámetros de transformación ($\tau_0, \tau_1, \nu, \sigma^2_F$) para reproducir la evolución del flujo medio observada en el DESI Data Release 1 (DR1). Esto se logra minimizando una función de costo de mínimos cuadrados ponderada que compara el flujo medio analítico derivado de la transformación lognormal con los datos observacionales objetivo.

El proceso de generación implica la creación de una rejilla de velocidad Gaussiana 1D, la aplicación del $P_G(k, z)$ derivado dependiente del redshift, la evolución del campo con un factor de redshift $a(z)$, la aplicación de una transformación lognormal al cuadrado para aproximar la no-gaussianidad y, finalmente, la conversión a profundidad óptica y flujo transmitido.

Resultados Clave
Los autores validaron el marco generando 1,000 realizaciones independientes de línea de visión a través del rango de redshift del DESI EDR ($2.0 \le z \le 3.8$). Los resultados demuestran:

• Precisión del Flujo Medio: Los mocks recuperan la evolución del flujo transmitido medio con una precisión de sub-porcentaje. A través de todo el rango de redshift del DESI EDR, el error fraccional de la raíz de la media cuadrática (RMS) es de 0.002, con una desviación máxima del 0.5% en los límites de redshift.
• Recuperación del Espectro de Potencia: El método reproduce la forma y amplitud del $P_{1D}$ con alta fidelidad. Sobre el rango de $k$ del DESI EDR ($0.00075 \le k \lesssim 0.035 \text{ s km}^{-1}$), el error fraccional promedio RMS es de 0.02. Esto representa una mejora significativa sobre el método anterior (Karaçaylı et al. 2020), que arrojaba un error de 0.10 en este mismo rango.
• Escalabilidad: El marco mantiene un rendimiento robusto sobre escalas extendidas ($10^{-5} \le k \lesssim 0.1 \text{ s km}^{-1}$), donde el error RMS se mantiene en 0.11, una mejora dramática respecto al error de 18.15 del método anterior. La desviación máxima para el nuevo método en este amplio rango es inferior al 40%, comparado con el 300% del enfoque previo.
• Convergencia: Un análisis de convergencia indica que 1,000 realizaciones son suficientes para que el error fraccional RMS se aproxime asintóticamente a un valor constante, asegurando la estabilidad estadística para las pruebas de validación.

Significancia y Reivindicaciones
El artículo sostiene que este marco lognormal mejorado proporciona una alternativa computacionalmente eficiente y analíticamente tratable a las simulaciones hidrodinámicas para generar grandes volúmenes de espectros sintéticos. Al desacoplar el modelado de la amplitud del flujo medio de las correlaciones de flujo detalladas y resolver directamente para el espectro de potencia Gaussiano de entrada, el método ofrece un control superior sobre los observables objetivo.

Los autores enfatizan que, si bien estos mocks no están destinados a la inferencia cosmológica completa (ya que no modelan la física subyacente desde los primeros principios), son muy adecuados para:

• Validar procesos de análisis y cuantificar efectos sistemáticos (p. ej., ruido, resolución, ajuste del continuo).
• Apoyar las mediciones de $P_{1D}$ utilizando estimadores basados en FFT y de máxima verosimilitud (likelihood) en las actuales y futuras liberaciones de datos de DESI.
• Permitir estudios controlados de contaminantes astrofísicos (p. ej., sistemas de Lyman-$\alpha$ amortiguados, líneas de absorción anchas o BAL) cuando se combinan con herramientas como quickquasars.

Este trabajo establece una base para análisis de extremo a extremo donde los outputs de emuladores o simulaciones pueden servir como entradas directas para la generación de mocks lognormales, uniendo los modelos teóricos y la inferencia observacional con propiedades estadísticas precisas. Los autores señalan que refinamientos futuros, como el ajuste conjunto del flujo medio y el $P_{1D}$ para manejar mejor las dependencias de la varianza, podrían mejorar aún más la utilidad del marco para la cosmología de precisión.